当AI常识库沦为数字仓库，怎样让信息简直鼎新为个东说念主领略资产？本文作家用半年时候重构Obsidian常识管制体系，从三层处理架构到主题驱动理，揭示AI时间个东说念主常识管制的中枢不是汇集而是淬真金不怕火。出奇揭秘怎样让LLM在不同劳动流阶段演出多重角沧塑料管材生产线，结束从被迫囤积到主动绸缪的领略跃迁。

2025 年底到 2026 岁首，AI 嗅觉次在平凡东说念主之间大爆发，转眼如海啸般涌向还在沙滩上不雅望的东说念主们。我的反馈和大多半并未度浸淫过AI行业但早有耳闻的产物东说念主样：与其被吞并，不如用新才能武装我方。

具体来说，我以为应该先有个适我方的常识库器用，把里面外部常识汇集起来、管制起来，酿成我方的套AI时间的操作系统底座（是的，之前我长年的企业域常识和个东说念主常识基本上都是通过企业在线文档的款式留存，属于企微/飞书，属于我方位的每企业平台，但回头想想很少有简直属于我我方的千里淀）。

辩论到土产货化数据的自权，要把常识掌捏在我方手里，番调研后我选了 Obsidian。然后我作念了件看似严容庄容的事情——把之前保藏的质地著述股脑存进去，常识库不即是干这个的？

但很快我就意志到，这种作念法不亚于买了多样典藏新书，粗陋翻了两页致使有的都没开封，就径直摆在书架上吃灰。

因为这些著述是别东说念主想考和实践后的产物，不是我的。我的 Obsidian 里躺着两百多篇好著述，但遭遇具体问题需要调用这些所谓常识的时候，我依然要重新翻、重新读、重新想。条记越来越多，常识越来越散。

这个矛盾逼着我从新想个问题：个东说念主常识库到底应该是什么？

我存了两百篇著述，但莫得篇是我的

回头看，我初犯的舛讹很典型：把常识库领路成了“尊府汇集系统”。

汇集自身莫得错，但它只申报了“常识怎样进来”，莫得申报“常识怎样变成我的”。这两件事的差距，比想象中要大得多。

篇讲企业 RAG 落地的著述，作家踩过坑、作念过判断、酿成了我方的框架。我把它存进我的 Obsidian，它仅仅段文本。我读了遍，草草记载几行条记，它依然仅仅“作家的领路”，不是“我的判断”。只好当我拿着这篇著述里的法，去对照我方认果真业务、对照我方作念过的产物有绸缪，在真实场景里校准过之后，它才开动带上我的图章。

这个露出自后被我索求成条原则：个东说念主常识库简直长期有价值的，不是汇集了些许常识，而是能否把外部信息安宁淬真金不怕火成带有个东说念主判断、可继续演化的领略资产。

领略资产和尊府的分歧在于：尊府是通用的，谁都能搜到；领略资产是经过你的警告、你的场景、你的失败和见效校准过的，不可替代。

这亦然为什么我说常识库的中枢实质不是常识集，而是领略资产。搭建和使用常识库的泰半年里，我大的领略变化即是从这里开动的——标的从“存了些许篇著述”变成了“千里淀了些许只好我领路和移动后才能写出来的判断”。

批量处理了几十篇著述之后，我发现中间缺了层

明确了标的之后，个工程问题是：怎样把原始著述变成领略资产？

我初的案很浅显荼毒：写个剧本沧塑料管材生产线，把扫数著述批量处理成统阵势。输入各别的著述，输出统的结构——摘记、常识点、启发、金句。拉皆起跑线，便后续领路。

这个案跑了几个月，处理了几十篇著述。然后我发现了个问题：这些处理后的条记，仅仅大模子领路后的输出，不是我的。

批量处理确乎缩小了信息噪声，但它跳过了要道的步——领路。篇讲 AI PM 才能移动的著述，大模子不错索求出五个中枢不雅点，但这五个不雅点和我有什么关系？在我的业务里哪些竖立、哪些不竖立？哪些和我已有的判断突破？这些问题，大模子的处理申报不了。

于是我作念了个调养：把批量处理的产物界说为中间层（我自后叫它 Processed 层），它不是至极，而是为后续商议提供结构化输入。在 Processed 之后，我加入了商议机制——和 AI 作念度对话，让 AI 演出著述作家致使是三视角的域，咱们走动追问、质疑、碰撞。

这个变嫌的果出乎意象。相似是那篇 AI PM 才能移动的著述，批量处理只产出了五个常识点，但轮度商议之后，我发现了我方之前没意志到的个判断：才能移动的要道不是学新技巧，而是从新界说旧技巧在新场景下的抒发式。这个判断不是著述里的，是商议过程中产生的——它属于我。

由此酿成了三层结构：

中间层看起来“多了步”，但它是常识系统的要缓冲层。若是莫得它，你会濒临两个问题：原文噪声太大，商议率低；商议和千里淀不分开，单次领路容易径直期凌主常识层。

三层结构还有个假想礼聘值得提：我用目次位置而不是布尔字段来抒发劳动流情景。Inbox 里的即是待处理的，Processed 里的即是待商议的，Review 里的即是已商议的。不需要额外加 discussed: true 这种字段——目次自身即是的筛选器，情景语义也澄莹。

从著述驱动到主题驱动：常识库的阶段跃迁

三层结构跑通之后，常识卡片开动雄厚产出。到 2026 年 4 月，我的常识库里还是有六十多张卡片。然后我遭遇了个新问题：

卡片越来越多，但系统反而难用了。

同个常识主题下出现了好几张内容重复的常识卡片；有些卡片相互相关但莫得成就一语气；有些主题还是酿成了簇卡片，但莫得主卡来统全局；新产出的卡片默许都是 NEW，旧卡片简直不被新。

这让我意志到个新的判断：对我来说，常识系统从“积聚阶段”干涉“理阶段”的记号，不是内容变多了，而是结构问题开动出现，单纯新增还是不成赓续擢升系统澄莹度。

这个阶段切换，对应的不仅仅劳动重点变化。回头看，有三个领略是在这个阶段里安宁酿成的。

早出现的变化是选题逻辑的回转。之前是“今天处理哪篇著述决定今天产出什么卡片”——著述驱动。切换后变成“哪个主题域有空缺带，为了补这个空缺带应该调治哪些著述”——主题驱动。选题的驱能源从有什么待商议的著述变成了我当今的常识主题汇集的缺口在那处。

紧接着我详确到，商议过程中产生的价值内容正在被浪费。轮度商议中，为什么终选了 B 案而不是 A？某个规模条目是在什么对话中被识别出来的？这些与大模子的理过程经常不会无缺干涉卡片正文（因为卡片终产出不断的终结）。但它们自身即是常识资产的部分。自后我成就了 Discussion Insights 机制，门千里淀这类“论断以外的价值理”，用于记载商议过程的灵感迸发和有绸缪梳理。

三个领略来自理实践的入。我发现查验张卡片的 frontmatter 是否规沧塑料管材生产线，仅仅理的初学。简直的理要入到汇集会构层面：这个主题下有莫得主卡？主卡和支卡的角是否失衡？有莫得孤儿卡莫得被任何主题页索引？有莫得重复卡或相似卡？

这三个领略，有部分是我在实践中安宁摸索出来的，也有部分来自 2026 年 4 月无意读到 Andrej Karpathy 的篇 gist——他称之为 LLM Wiki。读到那篇东西的时候，异型材设备我有种“不谋而”的嗅觉，同期它也补上了我还没想明晰的几个点。

读了 Karpathy 的 LLM Wiki 之后，我给 LLM 赋予了多角

Karpathy 的中枢隐喻很爽快：Obsidian 是 IDE，LLM 是步伐员，wiki 是代码库。

这句话的意不在于类比自身，而在于它从新界说了 LLM 在常识系统中的角。LLM 不仅仅帮你回来著述的摘记器用，而是帮你继续吝啬个结构化常识体系的谐和者。它认真回来、交叉援用、存档、记账——这些东说念主类容易打消的重复吝啬劳动。

这个隐喻映射到我的实践中，LLM 的角其实跟着劳动流阶段在变化。在处理层，它是批量引擎——批处理剧本调用大模子 API，把原始著述索求鼎新为 Processed 条记，对应 Karpathy 所说的 Ingest。到了商议层，它变成了个有常识储备的对话伙伴，度商议 Skill 搭救 AI 带教、相互 battle 共创、批判质疑等多种模式，帮我校准规模、发现盲区、化领路。到了理层，它又变成了巡检员——常识卡片理 Skill 扫描通盘常识库，识别孤儿卡、重复卡、主题结构失衡，对应 Karpathy 所说的 Lint。

同个 LLM（虽然也不错不同），在不同层作念不同的事。这比“让 AI 帮我回来”要丰富得多。

而我的日常进程，围绕这三层角酿成了个闭环：汇集：每周如期抽时候阅读和筛选，好著述入池处理：履行剧本三连（预处理→考证→开荒），把原文变成结构化中间层商议：与 AI 开启度商议，产出常识卡片和 Discussion Insights千里淀：把商议恶果固化为常识卡片汇集——这里要道的算作不是新建卡片，而是先判断它应该 UPDATE（新旧卡）、EXTEND（扩张子卡）、LINK（成就关联）如故 NEW（新建）。这套四分机制是止常识库退化为活水账的中枢划定注视：通过 Obsidian的Dataview 视图全局扫描常识汇集的健康度理：对很是绸缪运行理 Skill，完成常识库开荒输出：运行常识应用 Skill，进修常识库能否援手篇逻辑连贯的著述，同期完成面向外部的常识输出

举个例子：上周五我的例行进程是——先把三篇对于 Agent 谐和的著述入池，跑完剧本三连取得 Processed 条记，然后和 AI 作念了轮批判商议，商议中识别出个和我已有卡片相关的规模判断，终作念了次 LINK 而不是 NEW，补充了主题常识缺口。之后开 Dataview 面板扫了眼，发现 RAG 主题域有两张卡长期没新，跑了轮理 Skill 说明是普通情景。整轮下来或者两个小时，但常识库的澄莹度又往前进了点。

七步闭环，每步都有 LLM 参与，但每步的有绸缪权都在我手上。

Karpathy 的 gist 里还有个让我目下亮的假想：常识库的演进日记。他认为 log 不是杂音，要道 log 自身即是常识资产的部分。受此启发，我在样貌中增多了 Evolution Logs 机制——记载“什么变了、为什么这样定、打消了什么案”。这些有绸缪记载让常识库不仅仅保存“现时共鸣”，也保存了“共鸣是怎样酿成的”。长期使用下来，它们会让常识库越来越符我的想维式和判断偏好。

不忘初心、铭记职责：别急着作念RAG，常识先能轻量用起来

搭建常识库的过程中，我也直在想考个问题：即是现时我作念的这切仅仅构建常识库自身，常识库自身并不是办法，而是妙技，行使常识库进行现实的产出才应该是常识库的价值方位。那么是否应该在常识库差未几具备雏形的时候先搞套轻量RAG呢？

经过与我的常识库管（其实即是这套常识库体系自身）的多轮拉扯，终申报是：不急。

这不是说 RAG 不进击，而是划定不成反。若是常识结构还处于频变动期——卡片模板没雄厚、主题索引没成形、理划定没固化——就急着作念向量化和 RAG，只会把不雄厚结构放大。你检索到的是堆阵势不统、规模不澄莹、相互重复的碎屑，能指望检索质地有多？（大模子即是这样劝服我的）

另外即是别急着作念所谓的常识库自动化（不管是Ingest自动化如故Lint自动化），还有个基本的问题没申报：你的常识库被用起来了吗？

我看到许多参考了LLM-wiki法论搭建的个东说念主常识库在完成汇集和千里淀之后，径直跳到“活体进化”或“自动化新”。但若是系统还莫得干涉真实使用场景，这种进经常会破灭——千里淀的常识长期停留在库存情景，系统法袒露真实的常识缺口，后续的“自动进化”也枯竭反馈源。

是以我当今的作念法是：先用常识应用 Skill 来进修常识库的可用。写篇著述，需要调用多个主题域的常识卡片，需要论据可记忆，需要叙事逻辑连贯。若是写不出来，证明卡片汇集有结构缺口——这个信号比任何自动化绸缪都径直。

Karpathy 的 LLM Wiki 框架里有个雷同的细察：好的查询恶果不错反向存档为新的 wiki 页面，让探索自身也成为常识资产。我的常识应用 Skill 即是这个想路的结束——每次写著述的过程，既是调用常识库，亦然进修常识库。写完之后，回溯校验表会告诉我哪些认识可记忆到源卡片、哪些是蔓延断、哪些找不到开头。找不到的那些，即是常识库的真实缺口。

先把 wiki 层雄厚下来，再辩论切片、向量化和 RAG 集成。这个划定，是我实践下来获利的大金钱——确保食材泉源质地的同期，主厨我方先不如期搞搞试菜，验验这批原材料、菜谱、厨具以及自本领艺到底有莫得门客喜爱，再谈厨房进程自动化也不迟。

从常识仓库到私东说念主藏书楼

半年前，我把 AI 和 Obsidian 的结当器用用。它帮我搞定的是“有莫得常识”的问题——有了就存，存了就忘。

当今，我把它们当个东说念主常识库智能体。它像个，和我作念质地的商议和碰撞；也像个管，帮我吝啬常识汇集的结构和健康。

直不雅的变化不是系统变复杂了，而是我和系统的关系变了。往日是“需要的时候才开”，当今是每天不交互轮就满身难熬。因为每次交互不仅仅在迫害常识，而是在坐褥领略——那些经过商议校准的判断、经过理千里淀的卡片汇集、经过输出考证的常识框架，都在变成只属于我的领略资产。

Karpathy 说东说念主类打消 wiki 是因为吝啬资本增长得比价值快。LLM 搞定了这个问题——它不嫌烦，不会健忘交叉援用，次操作不错波及十五个文献。

但 LLM 搞定不了的，是你往常识库里注入什么判断、什么警告、什么偏好。这部分只可你我方来。

搭建常识库泰半年，我大的感受是：标的不应该定在”存多条记”上，而是定在”千里淀多只属于我方的领略”上。前者是囤积，后者是绸缪。

分歧在于，前者越作念越重，后者会因为常识复利而越作念越值钱。

下篇预报：谈谈我具体是怎样用搭建产物的法论和Claude code来搭建这套个东说念主常识库的

本文由 @Sean 原创发布于东说念主东说念主都是产物司理。未经作家许可，谢却转载

题图来自Unsplash，基于CC0条约Q Q：183445502相关词条:不锈钢保温施工     塑料管材生产线     钢绞线厂家    玻璃棉板    泡沫板橡塑板专用胶

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定沧塑料管材生产线，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。